BAB VI KESIMPULAN DAN SARAN. bab-bab sebelumnya dapat disimpulkan beberapa hal seperti berikut

BAB VI KESIMPULAN DAN SARAN

6.1.

Kesimpulan Berdasarkan analisis, perancangan, implementasi dan pembahasan pada

bab-bab sebelumnya dapat disimpulkan beberapa hal seperti berikut. 1. Pengembangan pengenalan tulisan tangan aksara Batak Toba berhasil dilakukan dengan menggunakan metode Backpropagation dengan momentum sebagai metode yang tepat, karena dapat menghasilkan tingkat akurasi pengenalan yang baik, yaitu mencapai 100% untuk kemampuan memorisasi dan 94,74% untuk kemampuan generalisasi data yang belum pernah dilatih. 2. PELToba dapat mencapai kondisi optimal atau dapat mencapai akurasi paling tinggi dengan MSE 2,319937 x 10-8 dan waktu pelatihan yang paling efisien (30,6 detik), pada arsitektur JST cukup dengan 1 hidden layer, jumlah node input

128,

jumlah

node

hidden

64.

Sedangkan

untuk

parameter

Backpropagation yang digunakan pada kondisi arsitektur JST optimal, PELToba dapat mencapai kinerja optimal dengan nilai laju belajar 0,2 momentum 0,9 pada maksimum epoch 1500. 3. Pengenalan tulisan tangan merupakan salah satu contoh pengenalan pola yang cukup kompleks dimana tiap tahapan, mulai dari akuisisi data, pra proses, sampai pada pelatihan JST memberikan peran dalam menentukan tingkat akurasi pengenalan dan efisiensi waktu proses.

102

6.2.

Saran Beberapa saran yang dapat diberikan untuk pengembangan lebih lanjut

adalah sebagai berikut. 1. PELToba ini dapat dikembangkan dengan menambahkan karakter aksara Batak Toba yang dapat dikenali, misalnya tidak hanya mampu mengenali aksara yang tergolong dalam Ina ni surat tetapi juga mampu mengenali diakritik dalam Anak ni surat (huruf dengan perubahan nilai fonetisnya). 2. PELToba komponen

dapat

dikembangkan dengan

multimedia

sehingga

dapat

mengintegrasikan

komponen-

digunakan

membantu

dalam

pembelajaran muatan lokal dalam belajar menulis aksara Batak Toba atau mengembangkannya menjadi sistem berbasis web.

DAFTAR PUSTAKA

Abed, M.A., AL-Asadi, H.A.A., Al-Deen,Z.S.B., Ismail, A.N., 2010, Fuzzy Logic approach to Recognition of Isolated Arabic Characters, International Journal of Computer Theory and Engineering, Vol. 2/ No. 1/pg. 119-124. Abu-Ain, T.H.A., Abu-Ain, W.A.H., Abdullah, S.N.H.S., Omar, K., 2011, Offline Arabic Character-Based Writer Identification – A Survey, Proceeding of the International Conference on Advanced Science, Engineering and Information Technology, ISBN 978-983-42366-4-9. Affar, A.E., Ferdous, K., Cherkaoui, A., Fadili, H.,E., Qjidaa, H., 2009, Krawtchouk Moment Feature Extraction for Neural Arabic Handwritten Words Recognition, IJCSNS International Journal of Computer Science and Network Security, VOL.9 No.1. pg.417-423. Al-Alaoui, M.A., Harb, M.A.A., Chahine, Z.A., Yaacoub, E., 2009, A New Approach for Arabic Offline Handwriting Recognition, IEEE Multidisciplinary Engineering Education Magazine, Vol. 4, No. 3. Al-Jawfi, R., 2009, Handwriting Arabic Character Recognition LeNet Using Neural Network, The International Arab Journal of Information Technology, Vol. 6, No. 3. Alwi, Aslan, 2009, Pengenalan Pola Huruf-Huruf Lontara Bugis-Makassar dengan Menggunakan Jaringan Syaraf Tiruan Metode Backpropagation, Tesis Jurusan Ilmu Komuter, Universitas Gajah Mada Yogyakarta. Amin, A. dan Al-Darwish, N., 2006, Structural Description To Recognizing Hand-Printed Arabic Characters Using Decision Tree Learning Techniques, International Journal of Computers and Applications, Vol. 28, No. 2, pg.129-134. Atul, S.S. dan Mishra, S.P., 2007, Hand-Written Devnagari Character Recognition - Thesis of Electronics and Instrumentation Enginering, Department Of Electronics and Communication Engineering, National Institute of Technology, Rourkela. Brüderle, D., Sunat, K., Chiewchanwattana, S., Lursinsap, C., dan Siripant, S., 2006, Achieving Compatible Numeral Handwriting Recognition Rate by a Simple Activation Function, International Journal of Computational Intelligence Research, Vol.2, No. 1, pp. 1-9.

Cheriet, M., Kharma, N., Liu, CH., Suen, C.Y., 2007, Character Recognition Systems - A Guide for Students and Practioners, John Wiley and Sons. Eberhart, R.C. dan Shi, Y., 2007, Computational Intelligence Concepts to Implementation, Morgan Kaufman Publisher, Elsevier. Engelbrecht, Andreies, P., 2007, Computational Intelligence - An Introduction, John Wiley and Sons. Fatta, Hanif al, 2009, Rekayasa Sistem Pengenalan Wajah, Penerbit Andi, Yogyakarta. Fausett, Laurene, 1994, Fundamentals of Neural Networks – Architectures, Algorithms and Applications, Prentice Hall. Ferdiana, Ridi, 2006, Mebangun Aplikasi Smart Client dengan Visual C# danVisual Web Developer Express, Penerbit Andi, Yogyakarta. Firat, Murat, 2007, BPSimplified_src, www.codeproject.com. Gatos, B., Pratikakis, I., dan Perantonis, S.J., 2006, Hybrid Off-Line Cursive Handwriting Word Recognition, IEEE, 0-7695-2521-0/06. Genoe, R., Fitzgerald, J.A., Kechadi, T., 2006, A Purely Online Approach to Mathematical Expression Recognition, School of Computer Science and Informatics, University College Dublin. Ismail, I.A, Ramadan, M.A., El-Danaf, T.S., Samak, A.H., 2010, An Efficient Offline Signature Identification Method Based On Fourier Descriptor and Chain Codes, IJCSNS International Journal of Computer Science and Network Security, VOL.10 No.5, pg.29-35. Kannan, R.J. dan Prabhakar, R., 2008, An Improved Handwritten Tamil Character Recognition System using Octal Graph, Journal of Computer Science 4 (7): 509-516, ISSN 1549-3636. Kertasari, N. D.C., Haswanto, N., Sunarto, P., 2009, Tipografi Adaptasi Karakter Aksara Batak Toba Dalam Huruf Latin. Khemakhem, M. dan Belghith, A., 2009, A P2P Grid Architecture for Distributed Arabic OCR Based On the DTW Algorithm, International Journal of Computers and Applications, Vol. 31, No. 1,pg.44-49. Kodituwakku, S.R. dan Nilanthi, P.S., 2010, Investigating A Fuzzy Approach For Handwritten Sinhala Character Recognition, International Journal of Engineering Science and Technology, Vol. 2/no.11/pg. 6031-6034.

Komputer, Wahana, 2008, Belajar Pemrograman C#, Penerbit Andi, Yogyakarta. Kozok, Uli, 2009, Surat Batak - Sejarah Perkembangan Tulisan Batak Berikut Pedoman Menulis Aksara Batak dan Cap Si Singamangaraja XII, Kepustakaan Populer Gramedia. Leila, C. dan Mohammed, B., 2007, Art Network for Arabic Handwrittren Recognition System, Department of Computer Sciences - University Larbi Ben Mhidi and Department of Computer Sciences - University Mentouri, Constantine. Liu, J., Sun, J., Wang, S., 2006, Pattern Recognition: An overview, IJCSNS International Journal of Computer Science and Network Security, Vol.6 No.6, pp. 57-61. M., Hasyim, 2009, Buku Pintar Microsoft Office, Kriya Pustaka, Grup Puspa Swara, Jakarta. Mathur, S., Aggarwal, V., Joshi, H. dan Ahlawat, A., 2008, Offline Handwriting Recognition Using Genetic Algorithm, Sixth International Conference on Information Research and Applications – i.Tech, pg.21-27. MacLean, S. dan Labahn, G., 2010, Recognizing handwritten mathematics via fuzzy parsing, David R. Cheriton School of Computer Science, University of Waterloo. Muda, A.K., Shamsuddiny, S.M., Abraham, A., 2009, Improvement Of Authorship Invarianceness for Individuality Representation In Writer Identification, Neural Network World, Vol.3/no.10/hal.371-387. Mubarok, Riza, L.S., Setiawan, W., 2010, Pengenalan Tulisan Tangan Aksara Sunda Menggunakan Kohonen Neural Network, Ilmu Komputer Universitas Pendidikan Indonesia. Munggaran, Lulu C., Nuryuliani dan Nisfa, Shinta L., 2009, Sistem Akuisisi dan Segmentasi Tulisan Tangan Online, Universitas Gunadarma, Depok. Murni, Aniati, 1992, Pengantar Pengolahan Citra, PT Elex Media Komputindo, Jakarta. Naser, M.A., Mahmud, A., Arefin, T.M., Sarowar, G., Ali, M.M.N., 2009, Comparative analysis of Radon and Fan-beam based feature extraction techniques for Bangla character recognition, IJCSNS International Journal of Computer Science and Network Security, Vol.9, No.9, pg. 287289.

Njah, S., Bezine, H., Alimi, A.M, 2007, A New Approach for the Extraction of Handwriting Perceptual Codes using Fuzzy Logic, Research Group on Intelligent Machines - National School of Engineers of Sfax, Tunisia. Nuryuliani, Munggaran, Lulu C. dan Choyrivanie, U., 2010, Klasifikasi Karakter Tulisan Tangan berdasarkan pola segmen, Universitas Gunadarma, Depok. Nuryuliani, Munggaran, Lulu C. dan Widodo, Suryarini, 2009, Segmentasi Karakter menggunakan Nilai Kecepatan dan Percepatan pada Teknik Pengenalan Tulisan Tangan, Jurnal Informatika Komputer, Vol 14, no.1, pg. 43-51. Otair, M.A. dan Salameh, W.A., 2008, Efficient Training of Neural Networks Using Optical Backpropagation with Momentum Factor, International Journal of Computers and Applications, Vol. 30, No. 3,pg. 167-172. Park, Sang Sung, Jung, Won Gyo, Shin, Young Geun, Jang, Dong-Sik, 2008, Optical Character Recognition System Using BP Algorithm, IJCSNS International Journal of Computer Science and Network Security, VOL.8 No.12,pg. 118-124. Panggabean, M. dan Rønningen, L.A., 2009, Character Recognition of The Batak Toba Alphabet Using Signatures and Simplified Chain Code, Signal and Image Processing Applications (ICSIPA) - IEEE International Conference, p. 215 - 220 Puspitaningrum, Diyah, 2006, Pengantar Jaringan Saraf Tiruan, Penerbit Andi, Yogyakarta. Putra, Darma, 2010, Pengolahan Citra Digital, Penerbit Andi, Yogyakarta. Razak, Z., Zulkiflee, K., Idris, M.Y.I., Tamil, E.M., Noor, M.N.M., Salleh, R., Yusof, M.Y.Z.M. dan Yaacob, M., 2008, Off-line Handwriting Text Line Segmentation : A Review, IJCSNS International Journal of Computer Science and Network Security, VOL.8 No.7, pg.12-20. Salameh, W.A. dan Otair, M.A., 2008, Online Handwritten Character Recognition Using an Optical Backpropagation Neural Network, Issues in Informing Science and Information Technology, pg.787-795. Samosir, Andre, 2010, Surat Batak. Santoso, Alb. Joko, 2000, Jaringan Saraf Tiruan - Teori, Arsitektur dan Algoritma, Penerbit Andi Offset, Yogyakarta.

Santoso, Alb. Joko, 2011, Wavelet, Diktat Kuliah Pengolahan Citra, Magister Teknik Informatika, Universitas Atma Jaya Yogyakarta. Sarle, Warren S., 2002, www.faqs.org/faqs/ai-faq/neural-nets, USA. Sarowar, G., Naser, M.A., Nizamuddin, S.M., Hamid, N.I.B. dan Mahmud, A., 2009, Enhancing Bengali character recognition process applying heuristics on Neural Network, IJCSNS International Journal of Computer Science and Network Security, VOL.9 No.6, 154-158. Sattar, Sohail Abdul, Haque, Shams-ul dan Pathan, M. Khan, 2009, Finite State Model for Urdu Nastalique Optical Character Recognition, IJCSNS International Journal of Computer Science and Network Security, VOL.9 No.9,pg. 116-122. Senouci, M., Liazid, A., Beghdodi, H.A., Benhamamouch, D., 2007, A Segmentation Method to Handwritten Word Recognition, Neural Network World - ProQuest Science Journals, 17, 3, pg.225. Setiawan, Widyadi, Asri, Sri Andriati, 2005, Aplikasi Jaringan Syaraf Tiruan Perambatan Balik pada Pengenalan Angka Tulisan Tangan, Teknologi Elektro, Universitas Udayana & Politeknik Negeri Bali, Vol. 4, No. 2, pp.7-10. Shanthi, N., dan Duraiswamy, K., 2007, Performance Comparison of Different Image Sizes for Recognizing Unconstrained Handwritten Tamil Characters using SVM, Journal of Computer Science, Vol 3, no.9, pg. 760-764. Shrivastava, S.K. dan Gharde, S.S., 2010, Support Vector Machine for Handwritten Devanagari Numeral Recognition, International Journal of Computer Applications (0975 – 8887), Volume 7– No.11. Siahaan, Jamorlan, 2009, Fonotaktik Bahasa Toba, Tesis Program Studi Linguistik, Pascasarjana Universitas Sumatera Utara. Siang, Jong Jek, 2009, Jaringan Syaraf Tiruan & Pemrograman Menggunakan MATLAB, Penerbit Andi, Yogyakarta. Simatupang, S., 2006, Koreksi atas Penulisan Aksara Batak Toba.

Su, TH., Zhang, TW., Guan, DJ. dan Huang, HJ., 2008, Off-line recognition of realistic Chinese handwriting using segmentation-free strategy, Journal Pattern Recognition - ScienceDirect.

Venkatesh, J. dan Sureshkumar, C., 2009, Tamil Handwritten Character Recognition Using Kohonen's Self Organizing Map, IJCSNS International Journal of Computer Science and Network Security, VOL.9 No.12,pg.156161. Winardi, S., Kristanto, K.H., Rozady M., Sitinjak, S., Suyoto, 2010, Development Handwritting Recognition Using SHOVIQ Algorithm, Case Study : HANACARAKA Handwritting. Wirayuda, T.A.B., Wardhani, M.L.D.K., Adiwijaya, 2008, Pengenalan Pola Huruf Jepang (Kana) Menggunakan Direction Feature Extraction dan Learning Vector Quantization, Jurnal Penelitian dan Pengembangan Telekomunikasi Volume 13 no. 2, ISSN : 1410-7066. Wirayuda, T.A.B., Hermanto, I G.R., Novi, R., 2009, Pengenalan Huruf Bali Menggunakan Metode Modified Direction Feature (MDF) dan Learning Vector Quantization (LVQ), Konferensi Nasional Sistem dan Informatika Bali, KNS&I09-002. Wu, Y. dan Yu, L., 2008, Touchless Writer: Object Tracking & Neural Network Recognition, The Milton W. Holcombe Department of Electrical and Computer Engineering Clemson University, Clemson.

LAMPIRAN

LAMPIRAN 1

Set Pelatihan dan Set Pengujian PELToba Kode Set Set 1 Set 2 Set 3 Set 4 Set 5 Set 6 Set 7 Set 8 Set 9 Set 10 Set 11 Set 12 Set 13 Set 14 Set 15 Set 16

Nama Set font Aksara Batak Toba (set pelatihan) tulisan tangan 1 tulisan tangan 2 tulisan tangan 3 tulisan tangan 4 dengan noise alami pada latar tulisan tangan 2 dengan posisi miring tulisan tangan 1 yang diberi noise garis 26 piksel tulisan tangan 1 yang diberi noise garis 36 piksel tulisan tangan 1 yang diberi noise garis 46 piksel tulisan tangan 1 yang diberi noise garis 56 piksel tulisan tangan 2 yang diberi Gaussian noise 100% tulisan tangan 2 yang diberi Gaussian noise 150% tulisan tangan 2 yang diberi Gaussian noise 200% tulisan tangan 2 yang diberi Gaussian noise 250% tulisan tangan 2 yang diberi Gaussian noise 300% tulisan tangan 2 yang diberi Gaussian noise 400%

1. Set 1 : Font Aksara Batak Toba Keterangan Font yang digunakan

: TOBA___.TTF

Tool untuk edit gambar

: Adobe Photoshop CS3

Latar citra

: putih

a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u

2. Set 2 : Tulisan Tangan 1 Keterangan Alat akuisisi citra : kamera digital Canon PS SX30 IS Aksara ditulis di kertas berlatar putih (tanpa noise) Alat tulis menggunakan marker SNOWMAN 500

a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u

3. Set 3 : Tulisan Tangan 2 Keterangan Alat akuisisi citra : kamera digital Canon PS SX30 IS Aksara ditulis di kertas berlatar putih (tanpa noise) Alat tulis menggunakan marker SNOWMAN

a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u

4. Set 4 : Tulisan Tangan 3 Keterangan Alat akuisisi citra : kamera digital Canon PS SX30 IS Aksara ditulis di kertas berlatar putih (tanpa noise) Alat tulis menggunakan marker SNOWMAN

a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u

5. Set 5 : Tulisan Tangan 4 dengan Noise Alami Pada Latar Keterangan Alat akuisisi citra : kamera digital Canon PS SX30 IS Aksara ditulis di kertas putih yang dibelakangnya terdapat tulisan Alat tulis menggunakan marker SNOWMAN

a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u

6. Set 6 : Tulisan Tangan 2 Dengan Posisi Miring Alat akuisisi citra : kamera digital Canon PS SX30 IS Aksara ditulis di kertas berlatar putih (tanpa noise) Alat tulis menggunakan marker SNOWMAN Tool untuk edit gambar : Adobe Photoshop CS3

a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u

7. Set 7 : Tulisan Tangan 1 Diberi Noise Garis Brush 26 piksel Keterangan Alat akuisisi citra : kamera digital Canon PS SX30 IS Aksara ditulis di kertas berlatar putih (tanpa noise) Alat tulis menggunakan marker SNOWMAN Tool untuk penambahan noise : Adobe Photoshop CS3

a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u


a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u


a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u


a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u

11. Set 11 : Tulisan Tangan 2 Diberi Gaussian Noise 100% Keterangan Alat akuisisi citra : kamera digital Canon PS SX30 IS Aksara ditulis di kertas berlatar putih (tanpa noise) Alat tulis menggunakan marker SNOWMAN Tool untuk penambahan noise : Adobe Photoshop CS3

a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u


a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u


a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u


a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u


a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u


a

ha

na

ra

ta

ba

wa

i

ma

nga

la

pa

sa

da

ga

ja

ya

nya

u

LAMPIRAN 2



SKPL (Spesifikasi Kebutuhan Perangkat Lunak)



DPPL (Deskrpisi Perancangan Perangkat Lunak)



PDHUPL (Perencanaan, Deskripsi Dan Hasil Uji Perangkat Lunak)

SKPL SPESIFIKASI KEBUTUHAN PERANGKAT LUNAK PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN BACKPROPAGATION (PELToba)

Untuk : Universitas Atma Jaya Yogyakarta

Dipersiapkan oleh: Suriski Sitinjak / 105301461

Program Studi Pascasarjana – Magister Teknik Informatika Universitas Atma Jaya Yogyakarta

Program Studi

Nomor Dokumen

Halaman

SKPL-PELToba

1/22

Magister Teknik Informatika

Revisi

DAFTAR PERUBAHAN Revisi

Deskripsi

A B C D E F

INDEX TGL

-

A

B

C

D

E

F

G

Ditulis oleh Diperiksa oleh Disetujui oleh

Program Studi Magister Teknik Informatika

SKPL – PELToba

2/ 22

Dokumen ini dan informasi yang dimilikinya adalah milik Program Studi Magister Teknik Informatika-UAJY dan bersifat rahasia. Dilarang untuk me-reproduksi dokumen ini tanpa diketahui oleh Program Studi Magister Teknik Informatika

Daftar Halaman Perubahan Halaman

Revisi


Halaman

SKPL – PELToba

Revisi

3/ 22


Daftar Isi Daftar Isi ....................................................................................................................... 4 1. Pendahuluan ............................................................................................................... 6 1.1. Tujuan ....................................................................................................................... 6 1.2. Lingkup Masalah ................................................................................................... 6 1.3. Definisi, Akronim dan Singkatan .............................................................. 7 1.4. Referensi ................................................................................................................ 7 1.5. Deskripsi Umum (Overview) ............................................................................ 8 2. Deskripsi Global Perangkat Lunak ................................................................... 8 2.1. Perspektif Produk .............................................................................................. 8 2.2. Fungsi Produk ..................................................................................................... 11 2.3. Karakteristik Pengguna ................................................................................. 12 2.4. Batasan-Batasan ................................................................................................. 12 2.5. Asumsi dan Ketergantungan .......................................................................... 13 3. Kebutuhan Khusus................................................................................................... 13 3.1. Kebutuhan Antarmuka Eksternal ................................................................. 13 3.1.1. Antarmuka Perangkat Keras.................................................................. 13 3.1.2. Antarmuka Perangkat Lunak.................................................................. 13 3.1.3. Antarmuka Pemakai .................................................................................... 14 3.2. Kebutuhan Fungsionalitas Perangkat Lunak ........................................ 14 3.2.1. Use Case Diagram ...................................................................................... 14 4.Spesifikasi Rinci Kebutuhan .............................................................................. 15 4.1. Spesifikasi Kebutuhan Fungsionalitas ................................................. 15 4.1.1. Use Case Spesification : Thresholding ...................................... 15 4.1.2. Use Case Spesification : Ekstraksi ciri .................................. 16 4.1.3. Use Case Spesification : Olah Set Pelatihan ......................... 16 4.1.4. Use Case Spesification : Pelatihan JST .................................... 19 4.1.5. Use Case Spesification : Pengujian JST .................................... 21 5.Entity Relationship Diagram (ERD) .................................................................. 22


SKPL – PELToba

4/ 22


Daftar Gambar Gambar 1 Arsitektur Perangkat Lunak PELToba

10

Gambar 2 Use Case Diagram

14

Gambar 3 Entity Relationship Diagram

20


SKPL – PELToba

5/ 22


1. Pendahuluan 1.1. Tujuan Dokumen Spesifikasi Kebutuhan Perangkat Lunak (SKPL) ini merupakan

dokumen

spesifikasi

kebutuhan

perangkat

lunak

PELToba (Pengembangan Pengenalan Tulisan Tangan Aksara Batak Toba

Menggunakan

Backpropagation)

untuk

mendefinisikan

kebutuhan perangkat lunak yang meliputi antarmuka eksternal (antarmuka antarmuka

antara

sistem

perangkat

dengan

lunak,

sistem

perangkat

lain

keras

yang dan

meliputi

pengguna),

atribut (feature-feature tambahan yang dimiliki sistem) dan mendefinisikan fungsi-fungsi perangkat lunak. SKPL-PELToba ini juga mendefinisikan batasan perancangan perangkat lunak.

1.2. Lingkup Masalah Perangkat lunak PELToba dikembangkan dengan tujuan untuk: 1.

Menangani

pengolahan

mengubah

citra

transformasi

citra

citra

inputan dengan

(image

processing),

menjadi

citra

dekomposisi

citra

yaitu

biner

dan

biner

dari

ukuran 256 x 128 piksel menjadi 16x8 piksel. 2.

Menangani pelatihan pola tulisan tangan aksara Batak Toba untuk mendapatkan bobot dan bias yang akan digunakan pada saat klasifikasi atau pengenalan.

3.

Menangani

pengenalan

pola

tulisan

tangan

aksara

Batak

Toba.


SKPL – PELToba

6/ 22


1.3. Definisi, Akronim dan Singkatan Daftar definisi, akronim dan singkatan: Keyword/Phrase SKPL PELToba

SKPL-PELToba-XX

Backpropagation Use Case Use case diagram DBMS ERD

Definisi Merupakan spesifikasi kebutuhan dari perangkat lunak yang akan dikembangkan. Akronim dari perangkat lunak berbasis desktop yang dikembangkan untuk melakukan pengenalan tulisan tangan aksara Batak Toba. Kode yang merepresentasikan kebutuhan pada PELToba (Pengembangan Pengenalan Tulisan Tangan Aksara Batak Toba Menggunakan Backpropagation), dimana XX merupakan nomor fungsi produk. Metode Jaringan Saraf Tiruan (JST) multilayer yang diimplementasikan pada PELToba. Representasi fungsionalitas atau layanan yang diberikan sistem kepada pemakai. Diagram yang memperlihatkan himpunan use case dan aktor-aktor DataBase Management System atau sistem manajemen database Entity Relationship Diagram merupakan pemodelan relasi data store secara langsung dalam sistem

1.4. Referensi Referensi yang digunakan pada perangkat lunak tersebut adalah : 1. Bria,

Yulianti

Paula,

Spesifikasi

Kebutuhan

Perangkat

Lunak Sistem Pakar Penyakit Umum Rumah Sakit Umum Daerah Atambua Belu, Nusa Tenggara Timur, 2011. 2. Nugroho, Adi, Rational Rose untuk Pemodelan Berorientasi Objek, Bandung, Penerbit Informatika, 2005.


SKPL – PELToba

7/ 22


3. Wahyuni,

Vivi,

Pengembangan

Spesifikasi

Aplikasi

Kebutuhan

Pengenalan

Perangkat

Tulisan

Tangan

Lunak Huruf

Arab dengan JST, Universitas Atma Jaya Yogyakarta, 2010.

1.5. Deskripsi Umum (Overview) Secara umum dokumen SKPL ini terbagi atas tiga bagian utama. Bagian pertama berisi penjelasan mengenai dokumen SKPL, yang mencakup tujuan pembuatan SKPL, ruang

lingkup masalah

dalam pengembangan perangkat lunak, definisi, referensi dan deskripsi umum tentang dokumen SKPL ini. Bagian kedua berisi penjelasan umum mengenai perangkat lunak

PELToba

yang

akan

dikembangkan,

mencakup

perspektif

produk yang akan dikembangkan, fungsi produk perangkat lunak, karakteristik lunak

dan

pengguna,

asumsi

yang

batasan dipakai

dalam dalam

penggunaan

perangkat

pembangunan

perangkat

lunak PELToba tersebut. Bagian mengenai

ketiga

berisi

kebutuhan

penjelasan

perangkat

lunak

secara PELToba

lebih

rinci

yang

akan

dikembangkan.

2. Deskripsi Global Perangkat Lunak 2.1. Perspektif Produk Pengenalan

Tulisan

Tangan

Aksara

Batak

Toba

(PELToba)

merupakan perangkat lunak yang dikembangkan untuk mengenali tulisan tangan aksara Batak Toba. Pengenalan tulisan tangan aksara Batak Toba ini mengimplementasikan metode pembelajaran JST

-

tulisan

Backpropagation tangan

aksara

untuk Batak


pelatihan Toba

dan

dengan

pengenalan

pola

pemrosesan

awal

SKPL – PELToba

8/ 22


menggunakan transformasi Wavelet. Inputan bagi PELToba adalah citra yang tergolong dalam set pelatihan dan set pengujian. Set pelatihan merupakan beberapa citra yang akan dilibatkan dalam pelatihan JST, sedangkan set pengujian adalah beberapa citra yang akan diuji pada JST yang telah dilatih. Citra inputan bagi sistem adalah citra tulisan tangan aksara

Batak

Toba

yang

diperoleh

melalui

hasil

capture

menggunakan kamera digital dan citra font aksara Batak Toba yang diedit menggunakan tool editor

gambar. Citra tersebut

berukuran 256 x 128 piksel dengan format .jpeg, .jpg atau .bmp. Bentuk aksara Batak Toba sebagian besar (14 aksara dari 19

aksara

yang

digunakan

oleh

sistem)

membutuhkan

dimensi

citra yang ukuran lebarnya lebih besar dibandingkan tingginya, sehingga

dimensi

citra

dijadikan

256

x

128

piksel

(tidak

menggunakan ukuran citra yang lebar dan tingginya sama). Agar citra tersebut mudah diproses ke tahap selanjutnya, sistem kemudian menangani pengolahan citra (image processing), yaitu dengan pra proses yang berupa tresholding citra atau pengubahan

citra

sumber

yang

merupakan

citra

truecolor

ke

citra biner (citra hitam-putih). Setelah diubah ke menjadi citra biner, citra tersebut ditransformasi menggunakan Wavelet untuk

proses

dekomposisi

citra

yang

menghasilkan

ekstraksi

citra 16x8 piksel dan diguanakan untuk proses selanjutnya. Hasil ekstraksi citra diubah menjadi sebuah vektor yang berisi 128 kombinasi angka biner dan akan menjadi inputan ke tahap selanjutnya, baik untuk pelatihan JST maupun pengujian JST (klasifikasi/pengenalan aksara). Tahap pengujian JST atau klasifikasi

harus

melewati

tahap

pelatihan

JST

terlebih

dahulu. Hasil pelatihan JST berupa nilai bobot yang disimpan dalam file. Hasil pengujian JST berupa vektor yang terdiri


SKPL – PELToba

9/ 22


dari 5 buah bilangan desimal yang dinamakan output actual yang akan dibandingkan dengan nilai target yang sudah ditentukan. Jika pengenalan berhasil, maka hasil keluaran atau output yang diharapkan dari sistem adalah citra dan nama huruf yang paling cocok dan berhasil dikenali dari citra uji. Pengguna akan berinteraksi dengan perangkat lunak PELToba melalui antarmuka GUI (Graphical User Interface) yang berjalan pada

platform

Windows

berbasis

desktop.

Perangkat

lunak

PELToba dikembangkan menggunakan bahasa pemrograman C# pada lingkungan

pengembangan

perangkat

lunak

Microsoft

Visual

Studio 2008 dan untuk Database Management System (DBMS) yang digunakan adalah Microsoft SQL Server. Karena sistem ini akan digunakan jaringan),

pada

stand

dimana

alone

semua

computer

basis

data

(tidak yang

ada

terhubung

oleh

disimpan

pada

harddisk, maka arsitektur perangkat lunak PELToba ditunjukkan pada gambar 1 berikut.

Database

Gambar 1 : Arsitektur Perangkat lunak PELToba


SKPL – PELToba

10/ 22


2.2. Fungsi Produk Fungsi

produk

perangkat

lunak

PELToba

adalah

sebagai

berikut: 1. Fungsi Thresholding (SKPL-PELToba-01) Fungsi

ini

merupakan

citra

untuk

mengubah

Fungsi

ini

fungsi citra

digunakan

pra-proses masukan

sebelum

yaitu

menjadi

fungsi

pengolahan

citra

biner.

ekstraksi

ciri

menggunakan transformasi Wavelet digunakan. 2. Fungsi Ekstraksi Ciri (SKPL-PELToba-02) Fungsi

ini

dilakukan

merupakan dengan

fungsi

ekstraksi

mentransformasikan

ciri

citra

citra biner

yang hasil

thresholding menggunakan transformasi Wavelet dua dimensi. Dekomposisi

Wavelet

dari

berukuran

citra

yang 256

digunakan x

128

sebanyak

piksel

empat

menjadi

16

level x

8

piksel. Fungsi ini digunakan setelah fungsi thresholding digunakan. 3. Fungsi Pelatihan (SKPL-PELToba-03) Fungsi ini digunakan untuk melakukan proses pengolahan data ke

set

pelatihan.

Fungsi

ini

digunakan

untuk

memasukkan

data pelatihan baru dan untuk menghapus data pelatihan yang ada. Untuk memasukkan data pelatihan baru dibutuhkan fungsi thresholding dan ekstraksi ciri. 4. Fungsi Pelatihan (SKPL-PELToba-04) Fungsi ini digunakan untuk melakukan proses pelatihan atau pembelajaran

JST

Backpropagation

terhadap

set

pelatihan

yang dipilih. Algoritma Backpropagation yang diimplementasi terdiri

dari

tahap

umpan

maju,

pembaharuan bobot dengan momentum.

umpan

balik

serta

Fungsi ini menghasilkan

nilai bobot yang akan disimpan dalam bentuk file dan yang nantinya digunakan untuk proses pengujian atau pengenalan.


SKPL – PELToba

11/ 22


5. Fungsi Pengenalan (SKPL-PELToba-05) Fungsi ini digunakan setelah fungsi thresholding, fungsi ekstraksi

ciri

dan

fungsi

pelatihan

dilakukan.

Fungsi

pengenalan merupakan fungsi yang digunakan untuk mengenali pola tulisan tangan aksara Batak Toba menggunakan bobot dan bias

yang

tersimpan

mengimplementasikan

hasil

proses

algoritma

pelatihan.

Backpropagation

Fungsi hanya

ini pada

tahap umpan maju saja. Inputan akan diklasifikasikan dengan keluaran yang paling mirip.

2.3. Karakteristik Pengguna Karakteristik pengguna perangkat lunak PELToba ini yaitu : 1. Dapat menggunakan/mengoperasikan komputer. 2. Untuk

fungsi

mengetahui bentuk

pembelajaran/pelatihan

aksara

aksara

Batak

Batak

Toba,

Toba

dan

JST,

paling

pengguna

tidak

translasinya

harus

mengetahui

dalam

bentuk

perangkat

lunak

huruf Latin.

2.4. Batasan-Batasan Batasan-batasan

dalam

pengembangan

PELToba adalah sebagai berikut: 1. Kebijaksanaan Umum Berpedoman pada tujuan dari pengembangan perangkat lunak PELToba. 2. Keterbatasan Perangkat Lunak Dapat

diketahui

kemudian

setelah

sistem

ini

berjalan

(sesuai dengan kebutuhan).


SKPL – PELToba

12/ 22


2.5. Asumsi dan Ketergantungan Sistem

ini

dapat

dijalankan

pada

perangkat

komputer

dengan sistem operasi Windows, minimal Windows XP.

3. Kebutuhan Khusus 3.1. Kebutuhan Antarmuka Eksternal Kebutuhan eksternal menjelaskan tentang antarmuka antara sistem dengan sistem lain yang meliputi antarmuka perangkat keras, perangkat lunak dan pengguna.

3.1.1. Antarmuka Perangkat Keras Antarmuka perangkat keras yang digunakan dalam perangkat lunak PELToba adalah: a. Perangkat komputer (PC atau Laptop) b. Kamera digital atau Scanner

3.1.2. Antarmuka Perangkat Lunak Perangkat lunak yang dibutuhkan untuk mengembangkan dan mengoperasikan perangkat lunak PELToba adalah sebagai berikut : a. Nama Sumber sebagai

: Windows 7 Ultimate : Microsoft sistem

operasi

untuk

perangkat

keras

komputer

dimana perangkat lunak PELToba dikembangkan. b. Nama sumber

: Microsoft SQL Server : Microsoft

Sebagai Database Management System (DBMS) yang dibutuhkan untuk penyimpanan data pada perangkat lunak PELToba. c. Nama Sumber

: Microsoft Visual Studio 2008 : Microsoft


SKPL – PELToba

13/ 22


sebagai

tool

perancang

dan

pengembangan

antarmuka

aplikasi. d. Nama

: Adobe Photoshop CS3

Sumber

: Adobe

sebagai tool untuk mengedit citra aksara Batak Toba yang digunakan untuk pelatihan dan pengujian.

3.1.3. Antarmuka Pemakai Pengguna

berinteraksi

dengan

perangkat

lunak

PELToba

dengan antarmuka berbasis GUI (Graphical User Interface) yang ditampilkan pada layar komputer.

3.2. Kebutuhan Fungsionalitas Perangkat Lunak 3.2.1. Use Case Diagram Use

case

perangkat

fungsionalitas

yang

thresholding,

fungsi

lunak

diberikan

PELToba

oleh

ekstraksi

menggambarkan

sistem,

ciri,

yaitu

fungsi

fungsi

olah

set

pelatihan, fungsi pelatihan JST dan fungsi pengenalan aksara.

<>

Pengenalan aksara

<>

Ekstraksi ciri

<>

Thresholding

<>

User <> Pelatihan JST

Gambar

Olah set pelatihan

2 : Use Case Diagram PELToba


SKPL – PELToba

14/ 22


Aktor yang dalam hal ini adalah pengguna atau user berada di

luar

lingkup

sistem

dan

berinteraksi

dengan

sistem/perangkat lunak PELToba. Relasi use case Ekstraksi ciri <> Thresholding berarti Ekstraksi ciri harus memenuhi kondisi awal Thresholding terlebih dahulu. Relasi use

case

Olah

set

pelatihan

<>

Ekstraksi

ciri

berarti proses Oleh set pelatihan harus memenuhi kondisi awal

Ekstraksi

<>

ciri.

Relasi

set

pelatihan

Olah

use

case

berarti

Pelatihan proses

JST

Pelatihan

harus memenuhi proses Olah set pelatihan (setidaknya satu kali).

Relasi

Ekstraksi

use

ciri

kondisi

terlebih

dahulu.

Pengenalan

Pengenalan

berarti

memenuhi

<>

case

awal

proses (pre

Relasi

Pelatihan aksara

selalu

Pengenalan

condition)

use

JST

aksara

case

<> aksara

harus

Ekstraksi

Pengenalan

menunjukkan

aksara

bahwa

melibatkan

ciri

proses

Pelatihan

JST

(setidaknya satu kali).

4. Spesifikasi Rinci Kebutuhan 4.1. Spesifikasi Kebutuhan Fungsionalitas 4.1.1. Use Case Spesification : Thresholding 1. Brief Description Use

case

ini

digunakan

oleh

user

praproses

citra

masukan

menjadi

memasuki

tahap

pelatihan/pembelajaran

untuk

citra

biner dan

melakukan sebelum pengujian

(pengenalan pola). 2. Primary Actor User


SKPL – PELToba

15/ 22


3. Supporting Actor None 4. Basic Flow 1. Use Case dimulai ketika aktor memilih untuk melakukan thresholding terhadap citra inputan. 2. Aktor memilih citra aksara Batak Toba yang akan di thresholding. 3. Aktor memasukan nilai ambang thresholding ke dalam sistem. 4. Aktor

meminta

sistem

untuk

melakukan

thresholding

tehadap citra aksara Batak Toba yang dipilih. 5. Sistem melakukan thresholding terhadap citra aksara Batak Toba yang dipilih. 6. Sistem

menampilkan

citra

aksara

Batak

Toba

hasil

thresholding. 7. Use case selesai. 5. Alternative Flow None 6. Error Flow None 7. PreConditions Aktor sudah masuk sistem PELToba 8. PostConditions Citra masukan sudah diolah menjadi citra biner (citra hitam-putih).

4.1.2. Use Case Spesification : Ekstraksi ciri 1. Brief Description Use

case

ini

digunakan

oleh

aktor

untuk

melakukan

ekstraksi ciri dengan transformasi Wavelet terhadap citra


SKPL – PELToba

16/ 22


biner

hasil

thresholding

sebelum

memasuki

tahap

pelatihan/pembelajaran dan pengujian/pengenalan. 2. Primary Actor User 3. Supporting Actor None 4. PreConditions Use case Thresholding 5. Basic Flow 1. Use

Case

ini

dimulai

ketika

aktor

memilih

untuk

melakukan transformasi Wavelet terhadap citra hasil trhesholding. 2. Aktor memberi indikator pada sistem untuk melakukan transformasi Wavelet. 3. Sistem

melakukan

transformasi

citra

aksara

Batak

Toba. 4. Sistem

menampilkan

citra

aksara

Batak

Toba

hasil

transformasi. 5. Use case selesai. 6. Alternative Flow None 7. Error Flow None 8. PostConditions Sistem memiliki matriks hasil ekstraksi ciri.


SKPL – PELToba

17/ 22


4.1.3. Use Case Spesification : Olah Set Pelatihan 1. Brief Description Use case ini digunakan oleh user untuk mengelola set pelatihan,

yaitu

penambahan

dan

penghapusan

data

pelatihan. 2. Primary Actor User 3. Supporting Actor None 4. Basic Flow 1. Use Case dimulai ketika aktor memilih untuk melakukan pengolahan data pelatihan. A-1 Aktor memilih untuk melakukan penyimpanan data pelatihan. A-2 Aktor memilih untuk melakukan penghapusan satu atau beberapa data pelatihan. A-3 Aktor memilih untuk melakukan penghapusan semua data pelatihan. 2. Aktor

mengindikasikan

telah

selesai

melakukan

pengolahan data set pelatihan. 3. Use case selesai. 5. Alternative Flow A-1

Aktor

memilih

untuk

melakukan

penyimpanan

data

pelatihan. 1. Aktor memasukkan nama set pelatihan, nama aksara dan vektor target pada sistem. 2. Aktor meminta sistem untuk menyimpan data pelatihan yang sudah dimasukkan. 3. Sistem menyimpan data pelatihan ke dalam database.


SKPL – PELToba

18/ 22


4. Sistem mengindikasikan bahwa data pelatihan telah berhasil dimasukkan ke dalam database. 5. Berlanjut ke Basic Flow langkah 2. A-2

Aktor

memilih

untuk

melakukan

penghapusan

data

pelatihan. 1. Aktor

memilih

satu

atau

beberapa

data

pelatihan

yang ditampilkan oleh sistem. 2. Aktor

meminta

sistem

untuk

menghapus

data

yang

telah dipilih. 3. Sistem melakukan penghapusan data dari database. 4. Berlanjut ke Basic Flow langkah 2. A-3 Aktor memilih untuk melakukan penghapusan semua data pelatihan 1. Aktor meminta sistem melakukan penghapusan terhadap semua data pelatihan. 2. Sistem melakukan penghapusan semua data pelatihan dari database. 3. Berlanjut ke Basic Flow langkah 2. 6. Error Flow None 7. PreConditions Use case Ekstraksi ciri 8. PostConditions Data pelatihan yang sudah diperbaharui.

4.1.4. Use Case Spesification : Pelatihan Algoritma 1. Brief Description Use

case

pelatihan

ini

digunakan

terhadap

pola

oleh untuk

aktor

untuk

mendapatkan

melakukan nilai-nilai

bobot.


SKPL – PELToba

19/ 22


2. Primary Actor User 3. Supporting Actor None 4. PreConditions 1. Aktor telah memasuki sistem PELToba 2. Use case Olah Set Pelatihan 5. Basic Flow 1. Use

case

ini

dimulai

ketika

aktor

memilih

untuk

melakukan pelatihan JST. 2. Aktor memilih set pelatihan yang tersedia yang akan dilatih. 3. Aktor

memasukkan

nilai-nilai

parameter

Backpropagation berupa nilai laju belajar, momentum, toleransi error dan maksimum epoch. 4. Aktor meminta sistem melakukan pelatihan JST. 5. Sistem melakukan pelatihan pola. 6. Sistem

berhasil

melakukan

pelatihan

pola

dan

mendapatkan nilai-nilai bobot. 7. Sistem menyimpan nilai-nilai bobot dalam file. 8. Sistem menampilkan informasi berupa nilai epoch yang dicapai,

waktu

proses

dan

nilai

MSE

(Mean

Square

Error). 9. Use case ini selesai. 6. Alternative Flow None 7. Error Flow None 8. PostConditions Nilai-nilai bobot yang tersimpan dalam file.


SKPL – PELToba

20/ 22


4.1.5. Use Case Spesification : Pengenalan aksara 1. Brief Description Use

case

pengujian

ini

digunakan

oleh

atau

pengenalan

aktor

pola

untuk

tulisan

melakukan

tangan

aksara

Batak Toba, berdasarkan nilai bobot yang diperoleh dari use case pelatihan JST. 2. Primary Actor User 3. Supporting Actor None 4. PreConditions Use case Pelatihan JST 5. Basic Flow 1. Use

case

ini

dimulai

ketika

aktor

memilih

untuk

melakukan pengujian / pengenalan aksara Batak Toba. 2. Aktor

memilih

dikenali

yang

citra

aksara

sebelumnya

Batak

telah

Toba

yang

akan

di-thresholding

dan

ditrasnformasi. 3. Aktor

meminta

sistem

untuk

mengenali

citra

yang

Toba

yang

dipilih. 4. Sistem

menampilkan

citra

aksara

Batak

berhasil dikenali dan karakternya dalam huruf Latin beserta informasi waktu proses. E-1 Sistem tidak berhasil mengenali aksara 5. Use case ini selesai. 6. Alternative Flow None 7. Error Flow E-1 Sistem tidak berhasil mengenali huruf


SKPL – PELToba

21/ 22


1. Sistem

menampilkan

pesan

bahwa

aksara

tidak

dikenali. 2. Kembali ke Basic Flow langkah 5. 3. PostCondition Citra (pola) tulisan tangan aksara Batak Toba berhasil dikenali oleh sistem.

5. Entity Relationship Diagram (ERD)

Gambar 3 : Entity Relationship Diagram

Tabel Aksara digunakan untuk menyimpan data aksara, yaitu nama aksara Batak Toba (disimpan dalam field aksara) dan nilai vektor target yang telah ditentukan (disimpan dalam field vektor_target).

Tabel setPelatihan digunakan

untuk

menyimpan data pasangan vektor input dan vektor target yang akan dilatih.


SKPL – PELToba

22/ 22


DPPL DESKRIPSI PERANCANGAN PERANGKAT LUNAK PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN BACKPROPAGATION (PELToba)




Program Studi

Nomor Dokumen

Halaman

DPPL-PELToba

1/22


Revisi


Deskripsi

A B C D E F

INDEX TGL

-

A

B

C

D

E

F

G



DPPL – PELToba

2/ 22

Dokumen ini dan informasi yang dimilikinya adalah milik Program Studi Magister Teknik Informatika - UAJY dan bersifat rahasia. Dilarang untuk me-reproduksi dokumen ini tanpa diketahui oleh Program Studi Magister Teknik Informatika


Revisi

Halaman

Revisi


DPPL – PELToba

3/ 22


Daftar Isi

Daftar Isi 4 1. PENDAHULUAN .............................................. 6 1.1. 1.2. 1.3. 1.4.

TUJUAN ............................................... LINGKUP MASALAH ....................................... DEFINISI DAN AKRONIM ................................... REFERENSI ............................................

6 6 7 7

2. PERANCANGAN SISTEM ....................................... 8 2.1. PERANCANGAN ARSITEKTUR .................................. 8 2.2. PERANCANGAN RINCI ...................................... 8 2.2.1. Sequence Diagram ................................. 8 2.2.2. Class Diagram ................................... 13 2.2.3. Deskripsi Kelas ................................. 14 3. PERANCANGAN DATA ........................................ 17 3.1. DEKOMPOSISI DATA...................................... 3.1.1. Deskripsi Entitas Data Aksara ................... 3.1.2. Deskripsi Entitas Data setPelatihan ............. 3.2. PHYSICAL DATA MODEL ...................................

17 17 17 18

4. PERANCANGAN ANTARMUKA ................................... 18 4.1. 4.2. 4.3. 4.4. 4.5.

RANCANGAN RANCANGAN RANCANGAN RANCANGAN RANCANGAN

ANTARMUKA ANTARMUKA ANTARMUKA ANTARMUKA ANTARMUKA

FORM FORM FORM FORM FORM

MENU UTAMA ..................... OLAH SET PELATIHAN ............... PELATIHAN JST ................... PENGUJIAN JST ................... TENTANG PELTOBA .................

18 21 21 21 22


DPPL – PELToba

4/ 22


Daftar Gambar

Gambar Gambar Gambar Gambar Gambar Gambar Gambar Gambar Gambar Gambar Gambar Gambar Gambar

1 2 3 4 5 6 7 8 9 10 11 12 13

Arsitektur Perangkat Lunak PELToba Sequence Diagram Thresholding Sequence Diagram Ekstraksi Ciri Sequence Diagram Olah Set Pelatihan Sequence Diagram Pelatihan JST Sequence Diagram Pengenalan Aksara Class Diagram Physical Data Model Rancangan Antarmuka Form Menu Utama Rancangan Antarmuka Form Olah Set Pelatihan Rancangan Antarmuka Form Pelatihan JST Rancangan Antarmuka Form Pengujian JST Rancangan Antarmuka Form Tentang PELToba

8 8 9 10 11 12 13 18 18 19 20 21 22


DPPL – PELToba

5/ 22


1. Pendahuluan 1.1. Tujuan Dokumen bertujuan

Deskripsi

untuk

Perancangan

mendefinisikan

Perangkat

perancangan

Lunak

(DPPL)

perangkat

lunak

yang akan dikembangkan. Dokumen DPPL tersebut digunakan oleh pengembang perangkat lunak sebagai acuan untuk implementasi pada tahap selanjutnya.

1.2. Lingkup Masalah Perangkat lunak PELToba dikembangkan dengan tujuan untuk: 1.

Menangani

pengolahan

mengubah

citra

transformasi

citra

inputan

citra

(image

processing),

menjadi

dengan

citra

dekomposisi

citra

yaitu

biner

dan

biner

dari

ukuran 256x128 piksel menjadi 16x8 piksel. 2.

Menangani pelatihan pola tulisan tangan aksara Batak Toba untuk mendapatkan nilai-nilai bobot yang akan digunakan pada saat pengujian atau klasifikasi/pengenalan.

3.

Menangani

pengenalan

pola

tulisan

tangan

aksara

Batak

Toba.

Perangkat berbasis

lunak

desktop

PELToba dengan

ini

berjalan

platform

pada

Windows.

lingkungan Lingkungan

pengembangan perangkat lunak yang digunakan adalah Microsoft Visual Studio 2008 dan DBMS yang digunakan adalah Microsoft SQL Server.


DPPL – PELToba

6/ 22


1.3. Definisi dan Akronim Daftar definisi, akronim dan singkatan: Keyword/Phrase DPPL

PELToba

DBMS Use Case Sequence diagram Class diagram

Definisi Deskripsi dan Perancangan Perangkat Lunak, yaitu dokumen yang berisi deskripsi dari perangkat lunak yang akan dikembangkan Perangkat lunak berbasis desktop yang dikembangkan untuk melakukan pengenalan tulisan tangan aksara Batak Toba Database Management System atau sistem manajemen database Representasi fungsionalitas atau layanan yang diberikan sistem kepada pemakai diagram yang interaksi yang menekankan pada pengiriman pesan dalam suatu waktu tertentu diagram yang memperlihatkan himpunan kelaskelas, antarmuka-antarmuka, kolaborasikolaborasi serta relasi-relasi

1.4. Referensi Referensi yang digunakan pada perangkat lunak tersebut adalah : 1. Bria,

Yulianti

Paula,

Deskripsi

Perancangan

Perangkat

Lunak Sistem Pakar Penyakit Umum Rumah Sakit Umum Daerah Atambua Belu, Nusa Tenggara Timur, 2011. 2. Nugroho, Adi, Rational Rose untuk Pemodelan Berorientasi Objek, Bandung, Penerbit Informatika, 2005. 3. Sitinjak, Suriski, Spesifikasi Kebutuhan Perangkat Lunak PELToba, Universitas Atma Jaya Yogyakarta, 2011.


DPPL – PELToba

7/ 22


2. Perancangan Sistem 2.1. Perancangan Arsitektur

Gambar 1 Arsitektur perangkat lunak PELToba

2.2. Perancangan Rinci 2.2.1. Sequence Diagram 2.2.1.1. Thresholding

: PELToba_UI

: User

: citraBitmap

thresholding : PELTobaManager

1: pilihCitra 2: getCitra 3: returnCitra 4: nilai threshold 5: 6: thresholding

7: thresholding 8: newBitmap 9: 10: 11: citraThresholding

Gambar 2 Sequence Diagram : Thresholding


DPPL – PELToba

8/ 22


2.2.1.2. Ekstraksi Ciri

: User

transformasiWavelet : PELTobaManager

: PELToba_UI

: citraBitmap

1: transformasiWavelet 2: transformasiWavelet 3: newBitmap 4: 5: 6: citraTrasformasi

Gambar 3 Sequence Diagram : Ekstraksi Ciri


DPPL – PELToba

9/ 22


2.2.1.3. Olah Set Pelatihan

: PELToba_UI : User 1: tentukanKarakter_dan_target

: aksara

olahSetPelatihan : PELTobaManager

: setPelatihan

2: 3: getVektorTarget 4: 5: 6: karakter_dan_targetnya

7: simpanPasanganPola 8: 9: simpanPasanganPola 10: 11: 12:

Gambar 4 Sequence Diagram : Olah Set Pelatihan


DPPL – PELToba

10/ 22


2.2.1.4. Pelatihan JST

pelatihanJST : PELTobaManager

: PELToba_UI

: User

1: pilih set pelatihan, input laju belajar, momentum, toleransi error , maksimum epoch

: setPelatihan

: bobot

2:

3: 4: pelatihanJST 5: 6: 7: 8: inisialisasi_bobot() 9: feed_forward() 10: hitung_error() 11: update_bobot() 12: simpan_bobot() 13: 14: 15:

Gambar 5 Sequence Diagram : Pelatihan JST


DPPL – PELToba

11/ 22


2.2.1.5. Pengenalan Aksara

pengenalan : PELTobaManager

: PELToba_UI : User

: bobot

1: pengenalanAksara 2: feedForward 3: getBobot 4: 5: 6: hasilPengenalan

Gambar 6 Sequence Diagram : Pengenalan Aksara


DPPL – PELToba

12/ 22


2.2.2. Class Diagram

Thresholding_PELTobaManager thresholding() newBitmap()

Bitmap

1

1

1

newBitmap()

1 EkstrakCiri_PELTobaManager PELTobaUI 1 pilihCitra() thresholding() 1 transformasiWavelet. .. pelatihan() pengenalan() 1

1 1

transformasiWavelet() newBitmap() Aksara OlahSetLatih_PELTobaManager

1

1

1

getVektorTarge...

1

getVektorTarget() simpanPasanganPola() 1

1

setPelatihan

1..*

Pelatihan_PELTobaManager

simpanPasanganPola()

inisialisasi_bobot() feed_forward() hitung_error() update_bobot() simpanBobot()

1

1

1

Pengenalan_PELTobaManager getBobot() feed_forward()

1..*

nilai_bobot

1 1

getBobot() simpanBobot()

Gambar 7 Class Diagram


DPPL – PELToba

13/ 22


2.2.3. Deskripsi Kelas 2.2.3.1. Spesific Design Class PELTobaUI PELTobaUI

<>

+pilihCitra() Method yang digunakan mengambil citra inputan dan menampilkannya. +thresholding() Method yang digunakan untuk mengolah citra inputan dari citra warna menjadi citra biner (hitam-putih). +transformasiWavelet() Method yang digunakan untuk mentransformasi citra biner untuk ekstraksi ciri. +pelatihan() Method yang digunakan untuk melakukan pelatihan jaringan. +pengenalan() Method yang digunakan untuk melakukan pengenalan huruf.

2.2.3.2. Spesific Design Class Thresholding_PELTobaManager Thresholding_PELTobaManager

<>

+thresholding() Method yang digunakan untuk mengolah citra inputan dari citra warna menjadi citra biner (hitam-putih). +newBitmap() Method yang digunakan thresholding.

untuk

menyimpan

sementara

citra

hasil

2.2.3.3. Spesific Design Class EkstraksiCiri_PELTobaManager EkstraksiCiri_PELTobaManager

<>

+transformasiWavelet() Method yang digunakan untuk mentransformasi citra biner untuk ekstraksi ciri. +newBitmap() Method yang digunakan thresholding.

untuk

menyimpan

sementara

citra

hasil


DPPL – PELToba

14/ 22


2.2.3.4. Spesific Design Class OlahSetLatih_PELTobaManager OlahSetPelatihan_PELTobaManager

<< Control>>

+getVektorTarget() Method yang digunakan untuk mengambil nilai vektor target sesuai dengan karakter yang dipilih. +simpanPasanganPola() Method yang digunakan untuk menyimpan pasangan vektor input (hasil transformasi Wavelet) dan vektor targetnya.

2.2.3.5. Spesific Design Class Pelatihan_PELTobaManager << Control>>

Pelatihan_PELTobaManager

+inisialisasi_bobot() Method yang digunakan untuk membangkitkan nilai-nilai bobot baru secara random. +feed_forward() Method yang digunakan untuk melakukan perhitungan umpan maju untuk algoritma pelatihan Backpropagation. +hitung_error() Method yang digunakan untuk melakukan perhitungan error perambatan balik pada algoritma pelatihan Backpropagation. +update_bobot() Method yang digunakan untuk melakukan perhitungan peng-update-an bobot baru. +simpanBobot() Method yang digunakan untuk menyimpan nilai-nilai bobobt baru.


DPPL – PELToba

15/ 22


2.2.3.6. Spesific Design Class Pengenalan_PELTobaManager Pengenalan_PELTobaManager

<>

+getBobot() Method ini digunakan untuk mengambil nilai-nilai bobot dari basis data. +feed_forward() Method ini digunakan untuk perhitungan umpan maju pada algoritma Backpropagation.

2.2.3.7. Spesific Design Class Bitmap Bitmap

+newBitmap() Method yang pengolahan.

<<Entity>>

digunakan

untuk

menyimpan

sementara

citra

hasil

2.2.3.8. Spesific Design Class setPelatihan setPelatihan

<<Entity>>

+simpanPasanganPola() Method yang digunakan untuk menyimpan pasangan (hasil transformasi Wavelet) dan vektor targetnya.

vektor

input

2.2.3.9. Spesific Design Class aksara <<Entity>>

aksara

+getVektorTarget() Method yang digunakan untuk mengambil nilai vektor target sesuai dengan karakter yang dipilih.


DPPL – PELToba

16/ 22


2.2.3.10. Spesific Design Class bobot bobot

<<Entity>>

+getBobot() Method ini digunakan untuk mengambil nilai-nilai bobot dari basis data. +simpanBobot() Method yang digunakan untuk menyimpan nilai-nilai bobobt baru.

3. Perancangan Data 3.1. Dekomposisi Data 3.1.1. Deskripsi Entitas Data Aksara Nama aksara vektor_target

Tipe Data varchar

Panjang 5

char

5

Keterangan Nama aksara vektor target yang aksara

mewakili

3.1.2. Deskripsi Entitas Data setPelatihan Nama

Tipe Data

Panjang

Int

10

ID data pelatihan

nama_setLatih

varchar

50

nama set pelatihan

aksara

varchar

5

Nama aksara

char

128

ID_pola

vektor_input

Keterangan

vektor inputan yang terdiri dari rangkaian bilangan biner

vektor_target

char

5

vektor target yang terdiri dari rangkaian

bilangan

biner

yang

mewakili aksara


DPPL – PELToba

17/ 22


3.2. Physical Data Model

Gambar 8

Physical Data Model

4. Perancangan Antarmuka 4.1. Rancangan Antarmuka Form Menu Utama Form Menu Utama digunakan untuk antarmuka menuju menu dan submenu

lainnya.

Tampilan

rancangan

form

Menu

Utama

dapat

dilihat pada gambar 9.

Gambar 9 Rancangan Antarmuka Form Menu Utama


DPPL – PELToba

18/ 22


4.2. Rancangan Antarmuka Form Olah Set Pelatihan

Gambar 10 Rancangan Antarmuka Form Olah Set Pelatihan

Form Olah Set Pelatihan digunakan untuk memasukkan dan menghapus data-data yang digunakan untuk pelatihan. Inputan bagi form ini adalah citra askara Batak Toba yang termasuk dalam

set

untuk

form

pelatihan. ini

adalah

Inputan nilai

lainnya ambang

yang

akan

thresholding,

diperlukan nama

set

pelatihan, nama aksara dan vektor target yang berkoresponden. Form ini akan menjadi antarmuka untuk menyimpan setiap hasil ekstraksi ciri yang berupa vektor inputan untuk JST ke dalam database yang sudah dirancang. Pada form ini user juga bisa melakukan penghapusan terhadap satu, beberapa atau semua data set

pelatihan.

Rancangan

antarmuka

form

olah

set

pelatihan

dapat dilihat pada gambar 10. Program Studi Magister Teknik Informatika

DPPL – PELToba

19/ 22


4.3. Rancangan Antarmuka Form Pelatihan JST

Gambar 11 Rancangan Antarmuka Form Pelatihan JST

Form

pelatihan

digunakan

untuk

melakukan

pelatihan

(training) pada citra dan menyimpan hasilnya yang berupa nilai bobot

dan

bias

ke

dalam

database.

Inputan

untuk

form

ini

berupa citra aksara Batak Toba yang akan dilatih dan data pelatihan berupa laju belajar (learning rate) dan momentum. Prosesnya pelatihan algoritma Backpropagation dengan momentum dan

menggunakan

pemrosesan

awal

transformasi

Wavelet.

Rancangan antarmuka form pelatihan dapat dilihat pada gambar 11.


DPPL – PELToba

20/ 22


4.4. Rancangan Antarmuka Form Penujian JST Form pengujian JST ini digunakan untuk melakukan fungsi pra proses atau pengolahan citra, yaitu fungsi tresholding dan fungsi Wavelet dan fungsi pengenalan tulisan tangan. Inputan untuk form ini berupa citra tulisan tangan aksara Batak Toba yang termasuk dalam set uji. Hasil pengolahan citra atau pra proses akan ditampilkan pada PictureBox hasil pra proses dan menjadi masukan untuk fungsi pengenalan tulisan tangan yang menggunakan algoritma aplikasi Backpropagation. Pengujian JST

Pengenalan Aksara Batak Toba Citra Hasil Pra Proses

Citra Sumber

Pilih Citra

Pra Proses

Hasil Pengenalan

Kenali

Dikenali sebagai huruf N/A

Matriks uji (16 x 8 piksel)

Informasi

Thresholding

Waktu proses pengenalan N/A 120

Wavelet

Threshold

Output Aktual

Wavelet

Tutup Status bar

Gambar 12. Rancangan Antarmuka Form Pengujian JST

Hasil

pengenalan

tulisan

tangan

akan

ditampilkan

pada

Picturebox citra hasil pengenalan dan hasilnya berupa citra aksara Batak Toba yang berhasil dikenali. Pada form ini akan ditampilkan

informasi

mengenail

unjuk

kerja

algoritma

Backpropagation dalam pengenalan. Informasi yang ditampilkan Program Studi Magister Teknik Informatika

DPPL – PELToba

21/ 22


berupa jenis aksara yang berhasil dikenali dan waktu proses pengenalan.

Rancangan

antarmuka

form

Pengujian

JST

dapat

dilihat pada gambar 12.

4.5. Rancangan Antarmuka Form Tentang PELToba Form

Tentang

PELToba

berisi

judul

program,

versi,

copyright dan nama pengembang/programmer. Selain itu form ini digunakan

untuk

menampilkan

informasi

singkat

mengenai

aplikasi ini. Rancangan antarmuka form Tentang PELToba dapat dilihat pada gambar 13.

Gambar 13. Rancangan Antarmuka Form Tentang PELToba


DPPL – PELToba

22/ 22


PDHUPL PERANCANAAN, DESKRIPSI DAN HASIL UJI PERANGKAT LUNAK PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN BACKPROPAGATION (PELToba)




Program Studi

Nomor Dokumen

Halaman


PDHUPL-PELToba

1/20

Revisi


Deskripsi

A B C D E F

INDEX TGL

-

A

B

C

D

E

F

G



PDHUL - PELToba

2/ 20

Dokumen ini dan informasi yang dimilikinya adalah milik Program Studi Magister Teknik Informatika - UAJY dan bersifat rahasia. Dilarang untuk me-reproduksi dokumen ini tanpa diketahui oleh Program Studi– Magister Teknik Informatika


Revisi


Halaman

PDHUL - PELToba

Revisi

3/ 20


Daftar Isi

Daftar Isi .................................................. 4 1. Pendahuluan ............................................ 5 1.1. Tujuan .............................................. 5 1.2. Definisi dan Akronim ................................ 5 1.3. Referensi ........................................... 5 1.4. Deskripsi Umum (Overview) ........................... 6 2. Lingkungan Pengujian Perangkat Lunak ................... 6 2.1. Perangkat Lunak Pengujian ........................... 6 2.2. Perangkat Keras Pengujian ........................... 7 2.3. Sumber Daya Manusia ................................. 7 2.4. Prosedur Umum Pengujian ............................. 8 3. Identifikasi dan Rencana Pengujian .................... 10 4. Deskripsi dan Hasil Uji ............................... 10 4.1. Identifikasi Kelas Pengujian Antarmuka Olah SetPelatihan ............................................. 10 4.2. Identifikasi Kelas Pengujian Antarmuka Pelatihan JST 12 4.3. Identifikadi Kelas Pengujian Antarmukan Pengujian JST 12


PDHUL - PELToba

4/ 20


1. Pendahuluan 1.1. Tujuan Dokumen Perancanaan, Deskripsi dan Hasil Uji Perangkat Lunak

(PDHUPL)

melakukan

ini

digunakan

pengujian

terhadap

sebagai

bahan

perangkat

panduan lunak

untuk

PELToba

(Pengenalan Tulisan Tangan Aksara Batak Toba). PDHUPL ini juga akan digunakan untuk menguji keseluruhan aplikasi ini.

1.2. Definisi dan Akronim Daftar definisi, akronim dan singkatan: Tabel 1. Daftar definisi akronim dan singkatan Keyword/Phrase PDHUPL PDHUPL-PELToba-XX

PELToba

Use Case DBMS Backpropagation User Black Box

Definisi Merupakan dokumen Perencanaan, Deskripsi dan Hasil Uji Perangkat Lunak yang dibuat. Kode yang merepresentasikan kebutuhan pada PELToba, dimana XX merupakan nomor fungsi produk. Perangkat lunak berbasis desktop yang dikembangkan untuk melakukan pengenalan tulisan tangan aksara Batak Toba. Representasi fungsionalitas atau layanan yang diberikan sistem kepada pemakai. DataBase Management System atau pengelola manajemen database Metode Jaringan Saraf Tiruan (JST) multilayer Orang yang akan menggunakan program. Metode pengujian dengan menguji setiap fungsi apakah beroperasi dengan benar sesuai dengan spesifikasi tanpa memperhatikan logika internal.

1.3. Referensi Referensi yang digunakan pada perangkat lunak tersebut adalah: 1.

Sitinjak,

Suriski,

Spesifikasi

Kebutuhan

Perangkat

Lunak PELToba, Universitas Atma Jaya Yogyakarta, 2011.


PDHUL - PELToba

5/ 20


2.

Sitinjak,

Suriski,

Deskripsi

Perancangan

Perangkat

Lunak PELToba, Universitas Atma Jaya Yogyakarta, 2011.

1.4. Deskripsi Umum (Overview) Secara

umum

utama.

Bagian

PDHUPL

tersebut

dokumen

pertama yang

PDHUPL

berisi

ini

terbagi

penjelasan

mencakup

tujuan

atas

4

bagian

mengenai

dokumen

pembuatan

PDHUPL,

definisi, akronim dan singkatan-singkatan yang digunakan dalam pembuatan PDHUPL, referensi dan deskripsi umum tentang dokumen SKPL ini. Bagian

kedua

berisi

penjelasan

mengenai

lingkungan

pengujian perangkat lunak yang mencakup perangkat lunak dan perangkat

keras

pengujian,

material

pengujian,

sumber

daya

manusia dan prosedur umum pengujian. Bagian ketiga berisi pengidentifikasian dan perencanaan pengujian

terhadap

Sedangkan bagian

perangkat

lunak

keempat berisi

yang

telah

penjelasan /

dibuat.

deskripsi dan

laporan hasil uji fungsionalitas program.

2. Lingkungan Pengujian Perangkat Lunak 2.1. Perangkat Lunak Pengujian Perangkat lunak pengujian berupa: 1. Windows

7

Ultimate

dari

Microsoft,

sebagai

sistem

operasi. 2. Visual

Studio

2008

dari

Microsoft,

sebagai

lingkungan

pengembangan antarmuka aplikasi PELToba. 3. SQL

Server

dari

Microsoft,

sebagai

DBMS

penjalan

aplikasi.


PDHUL - PELToba

6/ 20


2.2. Perangkat Keras Pengujian Perangkat

keras

pengujian

berupa

Laptop

stand

alone

dengan spesifikasi Intel Pentium Core 2 Duo processor T6400 2 GHz, dengan RAM 1GB, beserta perangkat pendukung berupa mouse. Pada pengujian

tidak menggunakan alat untuk akuisisi citra

seperti kamera

digital atau

scanner, dengan anggapan bahwa

semua data yang digunakan untuk pengujian sudah berbentuk data citra digital yang tersimpan dalam harddisk komputer.

2.3. Material Pengujian Materi tambahan yang dibutuhkan dalam pengujian aplikasi PELToba adalah sebagai berikut : 1. Set pelatihan yang terdiri dari citra aksara Batak Toba yang digunakan sebagai data pelatihan. Masing-masing set pelatihan terdiri dari 19 citra aksara Batak Toba. Yang termasuk dalam set pelatihan adalah citra font aksara Batak Toba yang telah diedit dengan tool editor gambar, citra tulisan tangan aksara Batak Toba. 2. Set pengujian yang terdiri dari citra aksara Batak Toba yang digunakan sebagai data pengujian. Masing-masing set pengujian terdiri dari 19 citra aksara Batak Toba, baik yang

termasuk

dalam

set

pelatihan

maupun

yang

tidak

termasuk dalam set pelatihan. Set pengujian yang tidak termasuk dalam set pelatihan adalah citra yang diberi noise

berupa

garis

dan

Gaussian,

citra

dengan

posisi

aksara Batak Toba diberi kemiringan dan citra tulisan tangan aksara Batak Toba.


PDHUL - PELToba

7/ 20


2.4. Sumber Daya Manusia Sumber daya manusia yang terlibat dalam pengujian ini yaitu: 1. Penguji, terdiri dari 2 (dua) orang dosen Magister Teknik Informatika sebagai pembimbing. 2. Pembuat perangkat lunak.

2.5. Prosedur Umum Pengujian 2.5.1. Pengenalan dan Latihan Pada

pengujian

dilakukan

pengenalan

perangkat dan

lunak

pelatihan

PELToba

dengan

ini

anggapan

tidak penguji

telah memiliki pengetahuan tentang penggunaan perangkat lunak Pengenalan Tulisan Tangan.

2.5.2. Persiapan Awal 2.5.2.1. Persiapan Prosedural Pengujian aplikasi PELToba tidak memerlukan ijin khusus karena dilakukan

di komputer milik pembuat

perangkat lunak

sendiri. Pengujian dilakukan di kampus 3 Universitas Atma Jaya Yogyakarta dengan menginstal Perangkat Lunak yang dibutuhkan untuk mendukung PELToba yang telah dibuat.

2.5.2.2. Persiapan Perangkat Keras Pada

persiapan

perangkat

keras

dilakukan

pengecekan

terhadap laptop dan mouse. Pada pengujian tidak menggunakan perangkat akuisisi data seperti kamera digital atau scanner, dengan anggapan semua data sudah berbentuk citra digital yang tersimpan dalam harddisk komputer.


PDHUL - PELToba

8/ 20


2.5.2.3. Persiapan Perangkat Lunak Persiapan

yang

dilakukan

untuk

kegiatan

pengujian

perangkat lunak PELToba adalah sebagai berikut : 1. Perangkat lunak PELToba disiapkan dalam media penyimpanan harddisk. 2. Perangkat lunak Microsoft Visual Studio 2008 sebagai tool penguji

sudah

ter-install

dan

dapat

berfungsi

dengan

baik. 3. Basis data PELToba telah tersimpan dalam harddisk dan sudah

terkoneksi

dengan

kondisi

siap

diakses

oleh

perangkat PELToba. 4. Menyiapkan listing modul yang akan diuji.

2.5.3. Pelaksanaan Pelaksanaan

pengujian

akan

dilaksanakan

dalam

dua

tahap, yaitu pegujian unit (modul-modul kecil) dan pengujian fungsional sistem secara keseluruhan.

2.5.4. Pelaporan Hasil Hasil pengujian akan diserahkan kepada dosen pembimbing pembuatan perangkat lunak PELToba ini.


PDHUL - PELToba

9/ 20


3. Identifikasi dan Rencana Pengujian Tabel 2. Identifikasi Pengujian Kelas Uji Pengujian Antarmuka Olah Set Pelatihan Pengujian Antarmuka Pelatihan JST Pengujian Antarmuka Pengujian JST

Butir Uji Thresholding Transformasi Wavelet Olah Set Pelatihan Pelatihan JST Thresholding Transformasi Wavelet Pengujian JST

Identifikasi SKPL PDHUPL PDHUPLSKPLPELToba-01 PELToba-01 SKPLPDHUPLPELToba-02 PELToba-02 SKPLPDHUPLPELToba-03 PELToba-03

Tingkat Pengujian Pengujian Unit Pengujian Unit Pengujian Unit

SKPLPELToba-04

PDHUPLPELToba-04

Pengujian Unit

SKPLPELToba-01 SKPLPELToba-02 SKPLPELToba-05

PDHUPLPELToba-01 PDHUPLPELToba-02 PDHUPLPELToba-05

Pengujian Unit Pengujian Unit Pengujian Unit

Metode Pengujian

Jadwal 20 Maret 2012 20 Maret 2012 20 Maret 2012

Black Box Black Box Black Box

20 Maret 2012

Black Box

20 Maret 2012 20 Maret 2012 20 Maret 2012

Black Box Black Box Black Box

4. Deskripsi dan Hasil Uji 4.1. Identifikasi Kelas Pengujian Antarmuka Olah Set Pelatihan Kelas pengujian antarmuka kelas pengujian fungsi-fungsi untuk melakukan thresholding, transformasi Wavelet pada citra dan pengolahan (penambahan dan penghapusan) data pelatihan.

4.1.1. Identifikasi

Butir

Pengujian

Thresholding

(PDHUPL-

PELToba-01) Butir

ini

menguji

proses

threshold

citra.

Citra

yang

digunakan adalah citra yang termasuk dalam set pelatihan yang tersedia dalam harddisk komputer. Proses pengujian dilakukan dengan menekan tombol Pilih Citra sehingga citra yang dipilih


PDHUL - PELToba

10/ 20


akan tampil di PictureBox Citra Sumber. Selanjutnya pemberian nilai

threshold

mengisikan

dengan

nilainya

menggeser

pada

komponen

TextBox,

TrackBar

kemudian

tekan

atau tombol

Thresholding. Hasil thresholding akan tampil pada PictureBox Hasil Pra Proses.

4.1.2. Identifikasi

Butir

Pengujian

Transformasi

Wavelet

(PDHUPL-PELToba-02) Butir ini menguji proses transformasi Wavelet. Pengujian ini membutuhkan citra hasil pengujian thresholding (PDHUPLPELToba-01).

Pengujian

dilakukan

Wavelet. Hasilnya tampil pada

dengan

menekan

PictureBox Hasil

tombol

Pra Proses.

Matriks hasil ekstraksi ciri ditampilkan pada TextBox matriks input.

4.1.3. Identifikasi

Butir

Pengujian

Olah

Set

Pelatihan

(PDHUPL-PELToba-03) Butir ini menguji proses penyimpanan dan penghapusan data pelatihan ke dalam database PELToba. Untuk penyimpanan data pelatihan dibutuhkan hasil pengujian Wavelet (PDHUPL-PELToba02). Pengujian dilakukan dengan memasukkan nama set pelatihan (pada komponen TextBox), pilih aksara Batak Toba pada komponen ComboBox dan di bagian TextBox Target akan tampil nilai vektor target sesuai dengan aksara yang dipilih, tekan tombol Simpan untuk menyimpan data set ke dalam database PELToba. Data yang dimasukkan akan tampil pada DataGrid Set Pelatihan. Untuk

menghapus

sebuah

data

pelatihan

dari

data

set

pelatihan yang ada, user memilih satu baris data yang akan dihapus dan tekan tombol Hapus.

Untuk menghapus beberapa data

pelatihan user memilih beberapa baris data pelatihan yang akan Program Studi Magister Teknik Informatika

PDHUL - PELToba

11/ 20


dihapus dan tekan tombol Hapus.

Untuk

menghapus

semua

data

pelatihan yang ada dalam database PELToba, user menekan tombol Hapus Semua.

4.2. Identifikasi Kelas Pengujian Antarmuka Pelatihan JST Kelas

pengujian

antarmuka

Pelatihan

JST

adalah

kelas

pengujian yang melibatkan fungsi-fungsi untuk melakukan proses pelatihan JST.

4.2.1. Identifikasi Butir Pelatihan JST (PDHUPL-PELToba-04) Butir

ini

menguji

proses

pelatihan

JST.

Pengujian

dilakukan dengan terlebih dahulu memilih satu atau lebih set pelatihan

yang

ada

pada

database

PELToba

pada

ListBox

Set

pelatihan yang tersedia dan tekan tombol panah ke kanan agar tertampung Kemudian

pada user

ListBox

Set

menginputkan

pelatihan beberapa

yang

nilai

akan

dilatih.

parameter

yang

terdiri dari nilai laju belajar (alpha), momentum, toleransi error dan maksimum epoch pada masing-masing TextBox. Masingmasing parameter

sudah terdapat

nilai default,

tetapi user

dapat mengubah nilainya. Setelah menginputkan nilai parameter user menekan tombol Latih untuk memulai proses pelatihan. Jika proses

pelatihan

selesai

informasi

mengenai

pelatihan

(dalam

nilai

satuan

dilakukan, epoch detik)

sistem

yang dan

akan

dicapai, nilai

MSE

memberikan

waktu

proses

(Mean

Square

Error) terakhir.

4.3. Identifikasi Kelas Pengujian Antarmuka Pengujian JST / Pengenalan Aksara Kelas pengujian

pengujian yang

antarmuka

melibatkan


Pengujian

fungsi-fungsi PDHUL - PELToba

JST

adalah

untuk

kelas

melakukan 12/ 20


thresholding, transformasi Wavelet dan proses pengujian JST (pengenalan aksara).

4.3.1. Identifikasi

Butir

Pengujian

Thresholding

(PDHUPL-

PELToba-01) Butir

ini

menguji

proses

threshold

citra.

Citra

yang

digunakan adalah citra yang termasuk dalam set pengujian yang tersedia dalam harddisk komputer. Proses pengujian dilakukan dengan menekan tombol Pilih Citra sehingga citra yang dipilih akan tampil di PictureBox Citra Sumber. Selanjutnya pemberian nilai

threshold

mengisikan

dengan

nilainya

menggeser

pada

komponen

TextBox,

TrackBar

kemudian

tekan

atau tombol

Thresholding. Hasil thresholding akan tampil pada PictureBox Hasil Pra Proses.

4.3.2. Identifikasi

Butir

Pengujian

Transformasi

Wavelet

(PDHUPL-PELToba-02) Butir ini menguji proses transformasi Wavelet. Pengujian ini membutuhkan citra hasil pengujian thresholding. Pengujian dilakukan dengan menekan tombol Wavelet. Hasilnya tampil pada PictureBox

Hasil

Pra

Proses.

Matriks

hasil

ekstraksi

ciri

ditampilkan pada TextBox matriks uji.

4.3.3. Identifikasi Butir Pengenalan Pola (PDHUPL-PELToba-05) Butir pengujian ini menguji proses Pengujian JST atau pengenalan aksara. Pengujian ini membutuhkan file-file yang menyimpan nilai-nilai bobot hasil pengujian pelatihan JST dan hasil transformasi Wavelet berupa matriks ciri 16x8 piksel. Pengujian dilakukan dengan menekan tombol Kenali. Jika citra berhasil

dikenali,

maka


hasil

pengenalan

PDHUL - PELToba

akan

tampil

pada

13/ 20


PictureBox Hasil Pengenalan dan nama aksara akan tampil pada label

di

bawahnya.

Jika

citra

uji

yang

dimasukkan

tidak

dikenali, maka PELToba akan menampilkan pesan.


PDHUL - PELToba

14/ 20


Tabel 3. Deskripsi dan Hasil Pengujian Fungsionalitas PELToba Pengujian

Deskripsi Pengujian Threshold ing (PDHUPLPELToba01)

Pengujian Olah Set Pelatihan (PDHUPLPELToba03) Pengujian Wavelet (PDHUPLPELToba02)

Prosedur Pengujian  Klik tombol Pilih Citra untuk memilih citra yang akan diolah (misal file gambar “ma.jpg”).  Tentukan nilai threshold dengan cara : - menggeser TrackBar misal sampai angka 120, atau angka - ketik 120 pada TextBox dan klik tombol Thresholding.  Klik tombol Wavelet

Input

Keluaran yang Diharapkan

Keluaran dari Sistem

Citra “ma.jpg”  File citra hasil thresholding “ma.jpg”. berwarna  Nilai = hitam/putih pada threshold PictureBox Hasil 120 Pra Proses

Tampil citra biner ‘ma.jpg’ pada PictureBox Hasil Pra Proses.

 Citra “ma.jpg” hasil thresholding

 Tampil citra “ma.jpg” hasil transformasi pada PictureBox Hasil Pra Proses  Tampil matriks 16 x 8 hasil trasnformasi Wavelet.


Kesimpulan Sukses. Sistem dapat menampilkan citra biner pada PictureBox Hasil Pra Proses .

Sukses. Sistem dapat menampilkan citra hasil transformas i Wavelet dari ukuran 256 x 128 piksel menjadi 16

x 8 piksel. Pengujian Simpan Data Pelatihan

 Pengujian Thresolding (PDHUPLPELToba-01)  Pengujian Wavelet (PDHUPLPELToba-02)  Ketik nama set pelatihan pada TextBox, misalnya “tulisan tangan 1”.  Pilih nama aksara dari ComboBox Aksara, yaitu aksara “ma” (karena yang diolah adalah citra “ma.jpg”).  Klik tombol Simpan

 Vektor input hasil transformasi Wavelet = ‘ 111111111000 001111111111 100111110001 000000110000 000100000110 000000011000 110000000001 110111000000 000011111111 110000000000 00011110’.

 Data pelatihan tersimpan dalam database PELToba  Tampil MessageBox “Data berhasil disimpan”.  Data pelatihan tampil di DataGrid Set Pelatihan

 Data pelatihan tersimpan dalam database PELToba  Tampil MessageBox “Data berhasil disimpan”.  Data pelatihan tampil di DataGrid Set Pelatihan.

 Nama set pelatihan = “tulisan tangan 1”  Nama aksara yang dipilih dari ComboBox Aksara = “ma”.  Nilai vektor target = “01001”, tampil otomatis pada TextBox ketika nama


PDHUL - PELToba

16/ 20


Sukses. Sistem dapat menyimpan data pelatihan ke dalam database PELToba.

aksara dipilih dari ComboBox Aksara.

Pengujian Hapus Satu atau Beberapa Data Pelatihan

 Pilih satu atau beberapa baris data pelatihan pada DataGrid Set Pelatihan.  Klik tombol Hapus.  Klik tombol OK saat muncul MessageBox konfirmasi “yakin hapus data?”

 Kolom atau baris pada DataGrid Set Pelatihan yang dipilih.

 Data pelatihan yang dipilih terhapus dari database PELToba.  Tampil hasil update databse PELToba pada DataGrid Set Pelatihan.

 Data pelatihan yang dipilih terhapus dari database PELToba.  Tampil hasil update databse PELToba pada DataGrid Set Pelatihan.

Handal, sistem dapat menghapus data pelatihan dari database PELToba dan menampilkan hasil update pada DataGrid.

Pengujian Hapus Semua Data Pelatihan

 Klik tombol Hapus Semua  Klik tombol OK saat muncul MessageBox konfirmasi “yakin hapus data?”

-

 Semua data pelatihan terhapus dari database PELToba  Tampil hasil update databse PELToba pada DataGrid Set Pelatihan.

 Semua data pelatihan terhapus dari database PELToba.  Tampil hasil update databse PELToba pada DataGrid Set Pelatihan.

Handal, sistem dapat menghapus semua data pelatihan dari database dan menampilkan hasil update pada DataGrid.


PDHUL - PELToba

17/ 20


Pengujian Pelatihan JST (PDHUPLPELToba04)

 Pilih satu atau lebih set pelatihan pada ListBox set latih yang tersedia  Klik tombol >> untuk menambahkan daftar set latih yang dilatih pada ListBox set yang akan dilatih.  Untuk membatalkan set yang akan dilatih klik tombol <<.  Ganti nilai default parameter JST yang sudah ada atau biarkan nilai tersebut pada masingmasing TextBox.  Klik tombol Latih

 Nama-nama set pelatihan yang akan dilatih = ‘font_ABT’  Nilai-nilai parameter Pelatihan JST, laju belajar = 0,2 momentum = 0.9 toleransi error = 0.0001 dan maksimum epoch = 1500.


 Nilai-nilai bobot disimpan dalam file. Sistem menciptkan file jika file belum ada pada harddisk komputer. Filefile tercipta dengan nama bobotInToHid.txt, bobotHidToOut.txt , biasInToHid.txt, dan biasHidToOut.txt.  Tampil MessageBox “Proses Pelatihan Selesai”  Tampil informasi hasil proses, yaitu nilai epoch yang dicapai, waktu proses pelatihan dan MSE (Mean Square Error). Masingmasing tampil di label.

PDHUL - PELToba

 Nilai-nilai bobot disimpan dalam file. Sistem menciptkan file jika file belum ada pada harddisk komputer. Filefile tercipta dengan nama bobotInToHid.txt , bobotHidToOut.tx t, biasInToHid.txt, dan biasHidToOut.txt Tampil MessageBox “Proses Pelatihan Selesai”  Tampil informasi hasil proses, yaitu nilai epoch yang dicapai = 1500, waktu proses pelatihan = 30,6002212 detik MSE (Mean Square Error) = 2,319937 x 10-8. Masing-masing 18/ 20


Handal, sistem dapat melakukan pelatihan JST terhadap set pelatihan yang dipilih, menyimpan nilai bobot dalam file dan menampilkan inforamsi kinerja JST Backpropaga tion.

tampil di label.

Pengujian Threshold ing (PDHUPLPELToba01)

Pengujian Fungsi Pengujian JST (PDHUPLPELToba05) Pengujian Wavelet (PDHUPLPELToba02)

 Klik tombol Pilih Citra untuk memilih citra yang akan diolah (misal file gambar “ma.jpg”).  Tentukan nilai threshold dengan cara : - menggeser TrackBar misal sampai angka 120, atau - ketik angka 120 pada TextBox dan klik tombol Thresholding.  Klik tombol Wavelet

Citra “ma.jpg”  File citra hasil thresholding “ma.jpg”. berwarna  Nilai threshold = hitam/putih pada PictureBox Hasil 120 Pra Proses

Tampil citra biner ‘ma.jpg’ pada PictureBox Hasil Pra Proses.

 Citra “ma.jpg” hasil thresholding




PDHUL - PELToba

19/ 20


Sukses. Sistem dapat menampilkan citra biner pada PictureBox Hasil Pra Proses .

Sukses. Sistem dapat menampilkan citra hasil transformas i Wavelet dari ukuran 256 x 128 piksel menjadi 16

x 8 piksel.

Klasifika si

 Pengujian Thresolding (PDHUPLPELToba-01)  Pengujian Wavelet (PDHUPLPELToba-02)  Klik tombol Kenali

 Vektor input hasil transformasi Wavelet = ‘ 111111111000 001111111111 100111110001 000000110000 000100000110 000000011000 110000000001 110111000000 000011111111 110000000000 00011110’.


 Tampil citra aksara Batak Toba ‘ma.jpg’  Tampil label bertuliskan ‘ma’ yang merupakan nama aksara hasil klasifikasi.

PDHUL - PELToba

 Tampil citra aksara Batak Toba ‘ma.jpg’  Tampil label bertuliskan ‘ma’ yang merupakan nama aksara hasil klasifikasi.

20/ 20


Handal, sistem dapat mengenali citra yang diinputkan, menampilkan citra aksara yang menjadi acuan dan nama aksara yang berhasil dikenali.

LAMPIRAN 3

SERTIFIKAT PUBLIKASI ILMIAH TESIS

BAB VI KESIMPULAN DAN SARAN. bab-bab sebelumnya dapat disimpulkan beberapa hal seperti berikut

Recommend Documents